计算机毕业生就业率从70%跌至55%：AI正在吃掉初级岗位

"""
auto_tester.py — 用 LLM API 自动为 Python 模块生成单元测试
依赖: pip install openai
运行前设置环境变量: export OPENAI_API_KEY="sk-xxx"
用法: python auto_tester.py ./src/calculator.py
"""

import os
import sys
import textwrap
from pathlib import Path
from openai import OpenAI

client = OpenAI()  # 自动读取 OPENAI_API_KEY 环境变量

def read_source(file_path: str) -> str:
    """读取目标模块源码"""
    return Path(file_path).read_text(encoding="utf-8")

def generate_tests(source_code: str, module_name: str) -> str:
    """调用 LLM 为给定源码生成 pytest 测试"""
    prompt = textwrap.dedent(f"""\
        你是一位 Python 测试工程师。请为以下模块编写完整的 pytest 单元测试。
        要求：
        1. 覆盖每个公开函数的正常路径和边界情况
        2. 使用 pytest 的参数化标记处理多输入场景
        3. 只输出测试代码，不要解释

        模块名: {module_name}
        源码:
        ```python
        {source_code}
        ```
    """)
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.2,  # 低温度保证输出稳定可复现
    )
    return response.choices[0].message.content

def save_test_file(test_code: str, source_path: str) -> str:
    """将生成的测试保存到 test_ 前缀的同行目录文件"""
    src = Path(source_path)
    test_file = src.parent / f"test_{src.name}"
    # 去掉可能的 markdown 代码块标记
    clean = test_code.replace("```python", "").replace("```", "").strip()
    test_file.write_text(clean, encoding="utf-8")
    return str(test_file)

if __name__ == "__main__":
    if len(sys.argv) < 2:
        print("用法: python auto_tester.py <源码文件路径>")
        sys.exit(1)

    src_path = sys.argv[1]
    module_name = Path(src_path).stem

    source = read_source(src_path)
    tests = generate_tests(source, module_name)
    output = save_test_file(tests, src_path)

    print(f"✅ 测试文件已生成: {output}")
    print(f"   运行测试: pytest {output}")

export OPENAI_API_KEY="sk-xxx"
python auto_tester.py ./src/calculator.py
# ✅ 测试文件已生成: ./src/test_calculator.py
#    运行测试: pytest ./src/test_calculator.py

# 在终端中配置 AI 编码助手（示例为 GitHub Copilot CLI）
npm install -g @githubnext/copilot-cli
copilot explain "这段 bash 脚本做了什么" -f ./deploy.sh
copilot suggest "写一个 Dockerfile 打包这个 Flask 应用"

# 项目 README 示例片段 — AI 协作说明
ai_collaboration:
  code_generation:
    tool: "Claude Code + GPT-4o-mini"
    coverage: "约60%的初版代码由AI生成"
    human_role: "架构设计、业务约束识别、代码审查、边界测试"
  workflow:
    - step: "我用自然语言描述模块意图，AI生成初版"
    - step: "我审查输出，标注3处业务逻辑错误和2处安全风险"
    - step: "我手动修复关键路径，AI补全非关键测试代码"
    - step: "最终提交：人写核心15%，AI写辅助85%，审查100%由人完成"